IV.6Научные исследования, математика и новые материалы

SegFormer MiT-B5, разработанный EPFL-ECEO и дообученный на наборе CoralscapesV2 для семантической сегментации изображений коралловых рифов. Модель принимает изображения и присваивает пикселям метки одного из 39 классов Coralscapes; нулевой класс обозначает игнорируемые пиксели. Обучающие данные включают 2433 размеченных кадра с 55 участков Красного моря, обработанных в разрешении 1024×1024. Для оценки состояния рифов модель подходит для разметки подводных изображений и анализа состава сцен, включая обнаружение рыб и мусора. В описании приведены результаты на тестовых выборках CoralscapesV2 и Coralscapes V1: при скользящей обработке окнами 1024×1024 mIoU составляет 59,020% и 58,336% соответственно. Модель использует архитектуру SegFormer и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0.

StepFun-Formalizer-7B — языковая модель StepFun для автоматического перевода математических задач и утверждений на естественном языке в формальные выражения на Lean 4. Модель основана на DeepSeek-R1-Distill-Qwen-7B и дообучена на StepFun-Formalizer-Training; использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Для работы с формализацией математических высказываний поддерживает генерацию текста и диалоговый режим. Модель предназначена для автоматической формализации математики. В README заявлены результаты на FormalMATH-Lite, ProverBench и CombiBench: по проверке BEq она достигает или превосходит предыдущие универсальные и специализированные модели сопоставимого размера. Метаданные указывают контекст до 131 072 токенов и лицензию Apache-2.0. Карточка не приводит конкретных ограничений качества или списка поддерживаемых естественных языков; из метаданных подтверждён английский язык.

TxGemma-9B-Chat — разговорная языковая модель Google для исследований и разработки терапевтических средств. Она дообучена на базе Gemma 2 с использованием инструкционных данных Therapeutics Data Commons и поддерживает диалог на естественном языке о терапевтических мишенях и веществах, включая малые молекулы, белки, нуклеиновые кислоты, заболевания и клеточные линии. Модель предназначена для предсказания свойств терапевтических средств и мишеней, поддержки поиска мишеней, оценки взаимодействий «лекарство—мишень» и прогнозирования одобрения клинических испытаний. Разговорная версия позволяет обсуждать предсказания в несколько ходов и запрашивать объяснения, но может уступать специализированному режиму по точности предсказаний. Это декодерный трансформер семейства Gemma 2 с 9 млрд параметров; модель принимает текст и генерирует текст. Поддерживаемый язык по карточке — английский. TxGemma оценивали на 66 терапевтических задачах из TDC: в опубликованной карточке сообщается об улучшении относительно Tx-LLM на 45 задачах и о результатах на уровне лучших моделей или выше на 50 задачах. Перед применением в конкретном сценарии необходимо проверить качество на репрезентативных данных. Модель обучена на открытых данных TDC; условия использования регулируются Health AI Developer Foundations terms of use.

TxGravity-30B-A5B-Preview — языковая модель компании Trillion Labs, дообученная методом supervised fine-tuning на базе Gravity-30B-A5B-Base для прогнозирования терапевтических свойств. Она предназначена для инструкций в формате Therapeutic Data Commons (TDC) и охватывает 57 задач, включая прогнозирование ADMET-свойств малых молекул, токсичности, взаимодействий лекарство–мишень, белок–белок и пептид–MHC. Ответы представлены метками (A)/(B) для бинарной классификации или нормализованным значением от 000 до 1000 для регрессии. Модель имеет разреженную архитектуру GravityMoE, совместимую с DeepSeek-V3; в README указаны 29,56 млрд общих и 5,34 млрд активных параметров. Метаданные указывают 3,8 млрд параметров. Контекст — до 131 072 токенов; модель принимает текстовые запросы и генерирует текст. Основной язык карточки и тегов — английский. Лицензия — Apache-2.0. Это предварительный выпуск, помеченный авторами как заменённый более новой версией TxGravity-30B-A5B. Модель узкоспециализирована на терапевтических предсказаниях по шаблонам TDC, не является универсальным разговорным или выровненным по безопасности ассистентом; её прогнозы могут быть ошибочными или неполными и требуют независимой проверки перед экспериментальным, клиническим или иным принятием решений.

Waypoint-45m — GPT-2-подобная авторегрессионная языковая модель, разработанная авторами репозитория outpost-bio и обученная на строках таксономических меток из микробиомных данных. Она предназначена для исследовательских экспериментов с моделированием таксономических последовательностей, генерацией и получением представлений о совместной встречаемости таксонов и структуре последовательностей. Модель принимает текстовые последовательности, где таксономические строки разделены символами новой строки; для токенизации используется специальный TaxonomicTokenizer из репозитория. Данные обучения взяты из набора Atlas, а веса опубликованы в формате safetensors. Лицензия — Apache-2.0; доступ к репозиторию ограничен и требует авторизации на Hugging Face. Модель не предназначена для диагностики и не валидирована для клинических, регулируемых или критически важных решений.

BioBERT-Base v1.2 — англоязычная биомедицинская языковая модель на архитектуре BERT, разработанная исследователями DMIS-Lab Университета Корё. Она обучена для работы с биомедицинскими текстами; версия v1.2 включает языковую модельную голову, полезную для исследования представлений и предсказания замаскированных токенов. Модель содержит около 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Основной сценарий использования этой версии — заполнение маски и исследование языковых представлений; BioBERT также может служить основой для дообучения на распознавание биомедицинских сущностей, извлечение отношений и ответы на вопросы. Это текстовая модель, а не готовая диалоговая система или самостоятельный извлекатель сущностей без соответствующей дополнительной настройки. В репозитории Hugging Face лицензия не указана в доступных метаданных; условия следует сверить с лицензией исходного проекта перед использованием.

Это детектор объектов YOLO11n, дообученный на наборе Brackish Underwater в рамках DetectionBench. Он предназначен для обнаружения подводных животных на изображениях: крабов, рыб, медуз, креветок, мелких рыб и морских звёзд. Модель использует архитектуру Ultralytics YOLO11 и библиотеку Ultralytics; опубликованные веса представлены в формате PyTorch. В тестировании на Brackish Underwater модель показала mAP@50 98,87% и mAP@50–95 83,27%. Эти результаты относятся к тестовой выборке указанного набора данных и не гарантируют аналогичного качества в других условиях. Обучающие данные несбалансированы: крабы и мелкие рыбы составляют большую часть разметки, а креветки и медузы встречаются редко. Съёмка велась одной камерой в одном месте, поэтому перенос на другие камеры, водоёмы и типы воды не проверен. Лицензия модели — AGPL-3.0.

recobo/chemical-bert-uncased — англоязычная BERT-модель для текстов химической промышленности, разработанная Recobo путём дополнительного предобучения контрольной точки SciBERT. Модель обучалась на корпусе более чем из 40 тысяч технических документов, включая паспорта безопасности веществ и информационные документы о продукции, а также на 13 тысячах статей Википедии по химии; заявлены более 9,2 миллиона абзацев из химической области. Модель использует архитектуру BERT с головой masked language modeling и предназначена для заполнения пропусков в тексте: она предсказывает замаскированные слова, учитывая контекст с обеих сторон. Размер составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов. Подходит для подсказок при работе с химической документацией и языковых задач в химической отрасли. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

DeepSeek-Prover-V1.5-RL — языковая модель DeepSeek AI для автоматического доказательства теорем в Lean 4. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров и контекстом 4096 токенов. Модель дообучена с подкреплением на основе обратной связи от proof assistant после этапа supervised fine-tuning; для поиска доказательств авторы также предлагают метод RMaxTS на основе Monte Carlo tree search. Модель предназначена для генерации формальных доказательств и поиска путей доказательства математических утверждений в Lean 4. В README указаны результаты 63,5% на тестовой части miniF2F и 25,3% на ProofNet. Репозиторий содержит веса safetensors и поддерживает генерацию текста. Указана лицензия other; конкретные условия следует проверять в файлах лицензии репозитория.

IvanHU/esmc-ar-371m-5b — плотная авторегрессионная языковая модель белковых последовательностей, разработанная автором репозитория и обученная с нуля на датасете QingWY/protein-pretraining-data. Она предсказывает следующий токен аминокислотной последовательности; обучение завершено на 5 млрд токенов. Модель использует архитектуру ESMC-AR с 32 слоями, скрытым размером 1024, grouped-query attention и частичным RoPE. Веса сохранены в safetensors в формате FP32; для инференса README также описывает загрузку в BF16. Контекст — до 2048 токенов. Модель предназначена для генерации белковых последовательностей по непустому аминокислотному префиксу и исследования авторегрессионного моделирования белков. Токенизатор использует совместимое с ESMC отображение аминокислот; обучающие фрагменты содержат 20 стандартных аминокислот. Биологическая функциональность и качество не проверялись бенчмарками или экспериментами, поэтому результаты не следует считать подтверждением функциональности белков. Обучение остановлено на базовом чекпойнте, а проверка реализации подтверждает лишь согласованность загрузки и генерации. Лицензия в предоставленных данных не указана.

FusOn-pLM — белковая языковая модель, разработанная исследователями Университета Дьюка для анализа последовательностей онкобелков слияния, связанных, в частности, с детскими опухолями. Модель дообучена на основе ESM-2-650M и использует стратегию masked language modeling с косинусным расписанием, меняющим долю маскируемых аминокислотных остатков в ходе обучения. Архитектура — плотная ESM, 865,1 млн параметров; контекст — 1026 токенов. Модель предназначена для предсказания замаскированных остатков и получения эмбеддингов последовательностей онкобелков слияния. Авторы сообщают о лучших результатах относительно базовых представлений ESM-2 и вручную сконструированных биофизических эмбеддингов на профильных бенчмарках и задачах предсказания неупорядоченных областей; эмбеддинги предлагаются для последующих исследований терапевтического дизайна. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов на её условиях.

GeoBERT — модель распознавания именованных сущностей в геонаучных текстах, созданная дообучением SciBERT на размеченном корпусе Labeled Geoscientific Corpus объёмом около миллиона предложений. Она использует архитектуру BERT и классифицирует токены по четырём типам: геонаучные термины (GeoPetro), инструменты и методы (GeoMeth), геологические местоположения (GeoLoc) и элементы геохронологической шкалы (GeoTime). Модель подходит для извлечения и категоризации этих сущностей из научных текстов о геонауках. В README приведены значения F1 от 0,9445 до 0,9756 для четырёх категорий на оценке seqeval. Модель содержит 137,1 млн параметров, рассчитана на контекст до 512 токенов и опубликована в формате TensorFlow. Карточка не указывает отдельную лицензию; языковые теги также не позволяют надёжно определить язык обучающих данных. Практическое применение ограничено распознаванием описанных геонаучных категорий, поэтому качество на других предметных областях и языках не подтверждено.

HViLM-base — геномная фундаментальная модель для анализа вирусных последовательностей, разработанная Pratik Dutta и соавторами. Она получена продолженным предобучением DNABERT-2 на примерно 5 млн фрагментов вирусных последовательностей из ресурса VIRION, представляющих около 9 000 видов вирусов из более чем 45 семейств. Модель сохраняет архитектуру и BPE-токенизатор DNABERT-2; её размер составляет около 116,4 млн параметров, а контекст — 512 токенов. HViLM-base предназначена для извлечения представлений последовательностей и адаптации к задачам вирусной геномики. На её основе выпущены отдельные дообученные модели для классификации патогенности, трансмиссивности и тропизма к человеку; сама базовая модель не является готовым классификатором для этих задач. Для актуальной оценки авторы рекомендуют бенчмарк HVUE v2, сформированный с кластеризацией исходных последовательностей до разделения на выборки и проверками утечки сходных последовательностей. Модель доступна в формате PyTorch через Transformers по лицензии Apache-2.0. Её прогнозы являются исследовательскими результатами и не заменяют экспериментальную, клиническую, эпидемиологическую или санитарно-эпидемиологическую оценку. Биологическая близость последовательностей может сохраняться между выборками, а оценки трансмиссивности и тропизма опираются на упрощённые бинарные метки.

Lean Finder — модель семантического поиска по Lean и Mathlib, разработанная для поиска математических теорем с учётом намерения пользователя. Она предназначена для поиска по формальным утверждениям, их неформализованным формулировкам, запросам на естественном языке и состояниям доказательства. Модель основана на плотной архитектуре Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов; в репозитории указаны веса Safetensors и библиотека Transformers. Эмбеддинги дообучены на более чем 1,4 млн парах «запрос—код», включая синтезированные запросы из обсуждений Lean, а затем согласованы с предпочтениями математиков с помощью DPO. В пользовательском исследовании авторы сообщают о 81,6% предпочтений в пользу результатов поиска в топ-3, а также об улучшении Recall@1 относительно прежних поисковых систем и GPT-4o. Модель можно использовать как поисковый компонент для Lean-проектов и систем автоматического доказательства теорем. Модель распространяется по лицензии Apache-2.0. README отмечает, что текущая версия репозитория новее и сильнее версии, описанной в статье; версия из статьи доступна в ревизии old-model.

LeanStateSearch2025.3 — модель для поиска посылок в Lean по представлению текущего состояния доказательства. Она основана на архитектуре, описанной в статье «Assisting Mathematical Formalization with A Learning-based Premise Retriever». Репозиторий модели содержит веса Safetensors; архитектура — плотная BERT-модель примерно на 80,1 млн параметров с контекстом до 512 токенов. Модель предназначена для поиска релевантных посылок при формализации математических доказательств в Lean: по состоянию доказательства она помогает находить утверждения, которые могут пригодиться в дальнейшем доказательстве. Метаданные классифицируют её задачу как sentence-similarity. Лицензия в предоставленных данных не указана.

Карточка модели GraphWiz/LLaMA2-13B-RFT на Hugging Face совпадает с карточкой GraphWiz/LLaMA2-7B-DPO, поэтому описание составлено по ней. GraphWiz/LLaMA2-7B-DPO — инструктивная языковая модель проекта GraphWiz на архитектуре LLaMA, предназначенная для решения задач на графах. Модель преобразует текстовые описания графов и структур в явное рассуждение на естественном языке и ответ. В карточке указаны 6,6 млрд параметров, контекст до 4096 токенов и формат PyTorch. Модель обучалась в два этапа: смешанное обучение на нескольких типах задач и выравнивание предпочтений методом DPO. Она предназначена для задач о циклах, связности, двудольности, топологии, кратчайших путях, треугольниках, потоках, гамильтоновых циклах и подграфах. В качестве датасета указан GraphWiz/GraphInstruct-RFT-72K. Лицензия — Apache-2.0. Модель генерирует ответы на естественном языке, однако её результаты по задачам на графах могут быть ошибочными; README приводит сравнительные оценки, но доступный фрагмент не содержит полных результатов. Язык модели и результаты за пределами графовых задач в предоставленных данных не описаны.

OceanSAR-1 — модель извлечения признаков на основе ResNet, разработанная Томасом Кердре и Александром Тюэлем из Galeio; модель развёрнута Антуаном Одра из Galeio. Она предназначена для анализа изображений радиолокационной съёмки с синтезированной апертурой (SAR), прежде всего для наблюдения за океаном и переноса признаков в последующие задачи. Модель обучена методом самообучения DINO на примерно 12 миллионах изображений Sentinel-1 Wave Mode за 2015–2024 годы с динамическим отбором обучающих данных. Репозиторий использует Transformers и формат safetensors; для входа предусмотрены одноканальные изображения VV размером 256×256 пикселей с нормализованными значениями. В качестве признакового экстрактора OceanSAR-1 можно применять для классификации геофизических явлений, оценки значительной высоты волн и прогнозирования скорости ветра у поверхности. В README приведены результаты линейного зондирования для нескольких вариантов архитектуры ResNet и ViT; метаданные репозитория указывают архитектуру ResNet. Для практического запуска рекомендуется GPU с объёмом видеопамяти не менее 8 ГБ. Лицензия — Apache License 2.0.

OnT-MiniLM-L12-go — модель OnT (Ontology Transformer), разработанная для представления понятий и отношений в биомедицинских онтологиях. Она дообучена на датасете GO на базе sentence-transformers/all-MiniLM-L12-v2 и использует архитектуру BERT с mean pooling. Модель кодирует понятия в 384-мерные эмбеддинги в гиперболическом пространстве и предназначена для моделирования иерархических связей и аксиом онтологии, включая представление ролей, переходов и экзистенциальных ограничений. Модель принимает текстовые последовательности длиной до 512 токенов по метаданным Hugging Face; README указывает максимальную длину 256 токенов, поэтому при использовании следует сверяться с настройками выбранной версии. Репозиторий содержит варианты обучения с ролевыми эмбеддингами и без них, а также на разных наборах данных вывода и предсказания. Лицензия в предоставленных данных не указана.

Это преобразованная для braindecode версия весов PopulationTransformer (PopT), первоначально выпущенных авторами модели и описанных в работе Chau и соавторов (2024). Модель предназначена для получения популяционных представлений по признакам внутричерепных записей iEEG/sEEG: она агрегирует векторы признаков отдельных электродов, например 768-мерные STFT-эмбеддинги BrainBERT, с учётом их анатомических координат. Сырые временные сигналы модель напрямую не кодирует. Архитектура включает линейную проекцию признаков электродов, синусоидальное пространственное позиционное кодирование, CLS-токен и 6-слойный Transformer-энкодер с размером скрытого представления 512 и размером FFN 2048. Выход CLS служит pooled-представлением для последующих задач. Перенесённые веса энкодера сохранены без переобучения; классификационная голова инициализирована случайно и требует обучения или дообучения под конкретную задачу. Для соответствия предобученному пространственному кодированию координаты должны быть в системе Brain Treebank. Веса распространяются в форматах PyTorch и safetensors. Лицензия весов неизвестна: в README указано, что у исходного репозитория нет явной лицензии; авторы предлагают использовать их для исследований с указанием авторства. Лицензия BSD-3-Clause относится к коду braindecode, а не к этим весам.

PoreCodec-RSQF42C12A — нейронный кодек для электрических сигналов нанопорового секвенирования. Он преобразует непрерывные измерения ионного тока в компактные иерархические последовательности дискретных токенов, а также восстанавливает сигнал по токенам. Модель опубликована ShuaiAnwo и доступна под лицензией Apache-2.0. Архитектура включает одномерный сверточный кодировщик и декодировщик, линейные проекции и два этапа Residual Finite Scalar Quantization (Residual FSQ). Кодировщик формирует 512-мерные признаки, уменьшает временное разрешение в четыре раза и имеет рецептивное поле 33. Квантование детерминированное; конечные кодовые книги хранятся в чекпойнте. Предварительная обработка включает коррекцию границ, удаление выбросов, нормализацию median-MAD и сглаживание с отсечением. Кодек предназначен для токенизации и сжатия нанопоровых сигналов, подготовки представлений для моделей последовательностей, а также индексирования и поиска чтений. Он не предназначен для прямого basecalling или предсказания последовательности ДНК. Модель описана как совместимая с Hugging Face AutoModel; язык естественного ввода для сигналов не требуется.

Qwen2.5-14B-ES-MATH — дообученная на базе Qwen/Qwen2.5-14B языковая модель на 14 млрд параметров от conorfhayes для математических рассуждений на английском языке. Она обучена методом Evolution Strategies в режиме RL-Zero: оптимизация проводилась по проверяемой правильности итогового ответа на задачах уровней 3–5 датасета MATH, без предварительного обучения с учителем или дистилляции. Модель предназначена для решения математических задач и экспериментов с pass@k и масштабированием вывода за счёт нескольких сэмплов. Используйте формат промпта Qwen2.5-Math; другой шаблон может снизить точность. Архитектура — плотная Qwen2ForCausalLM, контекст — до 131 072 токенов. Доступна в формате safetensors по лицензии Apache-2.0. Это исследовательский артефакт, не подготовленный для развёртывания в качестве универсального ассистента. Обучение и оценка охватывали только математические задачи на английском языке; качество в других областях, языках и форматах не охарактеризовано. Поскольку награда учитывала только правильность конечного ответа, модель могла получать положительную оценку за ошибочные рассуждения, приведшие к правильному ответу; отдельное safety-обучение не проводилось.

Qwen3-4B-OutsideTheBox-SFT — языковая модель ElvisWang111, дообученная на базе Qwen3-4B методом supervised fine-tuning. Она обучена решать математические задачи с учётом внешних рабочих процессов и выбирать полезные подсказки, сохраняя устойчивость к вводящим в заблуждение рекомендациям. Чекпойнт предназначен для исследований математического рассуждения, использования внешних инструкций и устойчивости к ошибочным рекомендациям; это SFT-этап модели из исследовательской статьи. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. Она принимает текст и генерирует текст; базовая Qwen3-4B поддерживает многоязычные задачи, но README не уточняет языковой охват именно этого чекпойнта. Модель распространяется под лицензией Apache-2.0. Её область обучения специализирована на математических задачах с внешними рабочими процессами, поэтому качество на иных сценариях по имеющимся данным не установлено.

Карточка модели SkywalkerLu/TransHLA_II на Hugging Face совпадает с карточкой SkywalkerLu/TransHLA_I, поэтому описание составлено по ней. TransHLA_I — модель семейства TransHLA для предварительного выявления коротких пептидов, которые могут распознаваться как эпитопы молекулами HLA класса I. Она принимает пептидные последовательности длиной от 8 до 14 аминокислот и выдаёт вероятность принадлежности к эпитопам, а также последовательностное эмбеддинг-представление. Архитектура сочетает трансформерный энкодер и глубокую CNN; при обучении использовались предварительно обученные эмбеддинги последовательностей ESM2 и структурные признаки контактных карт. Модель предназначена для первичного отбора кандидатов перед анализом инструментами, оценивающими сродство связывания пептидов с HLA. Репозиторий содержит веса PyTorch в формате safetensors; для запуска автор рекомендует PyTorch, fair-esm и transformers, а для CUDA — версию 11.8 или новее. В предоставленных материалах лицензия не указана.

V-JEPA2 Enhanced Encoder — модель EPFL NeuroAI для предсказания вызванных видеороликами BOLD-ответов мозга на поверхности fsaverage. Она сочетает видеобэкбон V-JEPA2-large с улучшенным декодером: использует признаки 24 слоёв, декодеры PLSTorch ранга 16 и ансамбль из 32 bootstrap-моделей с выбором слоёв для каждого участника ансамбля. На вход подаётся RGB-видео длительностью около 3 секунд, примерно 36 кадров при 12 кадрах в секунду; кадры масштабируются до 224 × 224 и нормализуются перед извлечением признаков. Модель выдаёт вектор из 20 484 предсказанных z-нормализованных fMRI beta-ответов на ролик. Доступны варианты обучения и переноса между наборами BOLD Moments/Lahner и McMahon; базовый V-JEPA2 можно обойти, передав предварительно вычисленные признаки. Модель предназначена для исследований нейронауки и сопоставления видеостимулов с мозговыми ответами. README приводит метрики на отложенных данных, однако результаты переноса между наборами заметно различаются. Репозиторий содержит веса бэкбона и декодера, но не содержит исходных fMRI-данных и видеороликов; для загрузки через Transformers используется пользовательский код модели. Лицензия в предоставленных данных не указана.

AgentFEM T4 Modal Neural State-Space — модель на PyTorch для прогнозирования переходных перемещений в семействе демпфированных консольных конструкций. Она предназначена для исправленного бенчмарка структурной динамики AgentFEM T4 и принимает геометрические и физические параметры конструкции, коэффициент демпфирования, амплитуду нагрузки, первые четыре модальные частоты и историю нагрузки с шагом времени. Модель сочетает POD-представление конечно-элементного поля и нейронный модуль, который оценивает геометрически зависимое участие четырёх устойчивых модальных осцилляторов. Динамика, затухание, масштабирование нагрузки и массы, причинность и рекуррентное обновление состояния заданы явно. На выходе — временной ряд двухкомпонентных перемещений в 245 узлах; его также можно считывать в пяти виртуальных датчиках T4. Для трёх опубликованных когорт ошибка полного поля составляет 0,68–1,43% по относительной норме L2. Модель является ограниченным суррогатом для заявленного семейства линейных консольных конструкций, а не универсальной моделью структурной динамики. Для прогноза требуются первые четыре модальные частоты; обучение допускается на данных T4 схемы 1.1.0 или новее с соответствующей отметкой целостности. Лицензия Apache-2.0.

allsky-stars-detected-v2 — модель классификации изображений на базе Vision Transformer (ViT), дообученная на google/vit-base-patch16-224-in21k. По названию репозитория она предназначена для обнаружения звёзд на изображениях неба; README подтверждает дообучение на наборе imagefolder, но не описывает классы и состав данных. В README указаны результаты на оценочной выборке: accuracy 0,9948 и loss 0,0171. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0.

awakening-goedel-v2-32b-sft — дообученная модель на базе Qwen3-32B, опубликованная juihuichung как исходный чекпойнт исследования восстановления агентных возможностей. Модель обучена на примерно 860 тысячах примеров доказательств на Lean 4 и предназначена прежде всего для формального доказательства теорем и работы с математическими задачами в Lean 4. Это плотная причинная языковая модель с 29,7 млрд параметров, использующая архитектуру Qwen3 и формат safetensors. Метаданные указывают контекст до 40 960 токенов; модель принимает и генерирует текст. Лицензия — Apache-2.0. README сообщает о сильных способностях в доказательствах Lean 4, но также о коллапсе вызова инструментов после дообучения: в приведённой оценке BFCL Non-Live результат составил 4,6, а Multi-Turn — 0,0; модель почти всегда отклоняет вызовы функций. Поэтому её следует выбирать для формального доказательства, а не для агентных сценариев с инструментами.

NASA IMPACT BERT-E — модель на архитектуре BERT, разработанная NASA IMPACT и дообученная на базе allenai/scibert_scivocab_uncased с помощью masked language modeling. Для обучения использовались аннотации к примерно 270 000 публикаций по наукам о Земле; токенизатор обучен на том же корпусе. Модель предназначена для подстановки пропущенных токенов и языкового анализа текстов по наукам о Земле. Она содержит 137,1 млн параметров и поддерживает контекст до 512 токенов. Модель подходит для заполнения пропусков в научных аннотациях и адаптации к последующим задачам обработки текстов о Земле. В README указано, что тестирование на downstream-задачах и расширение обучающих данных ещё планировались. Лицензия в предоставленных данных не указана.

BioDistilBERT-uncased — языковая модель на базе DistilBERT-uncased, дообученная разработчиками репозитория в режиме continual learning на корпусе PubMed в течение 200 тысяч шагов. Она предназначена для подстановки пропущенных токенов в биомедицинских текстах и может помогать анализировать формулировки научных публикаций и аннотаций. Модель использует архитектуру DistilBERT с шестью слоями трансформера, скрытым размером и размером эмбеддингов 768, словарём из 30 522 токенов и примерно 65 млн параметров. Она принимает текст с маскированными словами и предсказывает вероятные замены; максимальный контекст составляет 512 токенов. Обучение на PubMed ориентирует её на биомедицинскую лексику, но карточка не подтверждает отдельную проверку качества на конкретных задачах. Модель распространяется в формате PyTorch по лицензии MIT.

Hguimaraes/biome_edge_bio — компактный аудиоэнкодер BioME Edge для извлечения признаков в задачах биоакустики. Модель разработана в рамках семейства BioME (Bioacoustic Modulation-aware Encoder) и обучена дистилляцией по слоям от BEATs. Для улучшения обобщения на экологические звуки при предобучении использовались речь, звуки окружающей среды и вокализации животных; FiLM-кондиционирование добавляет модуляционно-ориентированные акустические признаки. Модель содержит 6,2 млн параметров, имеет 12 слоёв и размерность представления 192. Она предназначена для формирования аудиопризнаков, которые можно использовать в последующих биоакустических системах, например для анализа и классификации звуков животных. Репозиторий содержит веса Safetensors для Transformers. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства и на условиях «Некоммерческое использование — На тех же условиях».